Stratégies d’optimisation des hyper-paramètres de réseaux de neurones appliqués aux signaux temporels biomédicaux

Optimization strategies for neural networks hyperparameters applied to biomedical temporal signals

• Auteur / Autrice : Souhir Khessiba
• Direction : Antoine Manzanera, Asma Ben Abdallah
• Type : Thèse de doctorat
• Discipline(s) : Signal, Images, Automatique et Robotique
• Date : Soutenance le 21/11/2024
• Etablissement(s) : Institut polytechnique de Paris en cotutelle avec Université de Sousse (Tunisie)
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Technologie et Imagerie Médicale (Monastir, Tunisie) - École nationale supérieure de techniques avancées (Palaiseau). Unité d'Informatique et d'Ingénierie des Systèmes
• Partenaire(s) de recherche : Établissement opérateur d'inscription : École nationale supérieure de techniques avancées (Palaiseau ; 1970 -....)
• Jury : Président / Présidente : Mohamed Ali Mahjoub
• Jury : Rapporteur / Rapporteuse : Catherine Achard, Yassine Ben Ayed

Mots clés

Mots clés contrôlés

Analyse spatio-temporelle

Apprentissage profond

Électroencéphalographie

Réseaux neuronaux graphiques

Hyperparamètres

Mots clés libres

Classification de séries temporelles biomédicales

Optimisation des hyperparamètres

Apprentissage Profond

Analyse du geste

Classification of biomedical time series

Hyperparameter Optimisation

Deep Learning

Gesture analysis

Résumé

Cette thèse est axée sur l'optimisation des hyperparamètres des réseaux de neurones à convolution (CNN) dans le domaine médical, proposant une approche innovante visant à améliorer la performance des modèles décisionnels dans le domaine biomédical. Grâce à l'utilisation d'une approche hybride, GS-TPE, pour ajuster efficacement les hyperparamètres des modèles de réseaux de neurones complexes , cette recherche a démontré des améliorations significatives dans la classification des signaux biomédicaux temporels, à savoir les états de vigilance, à partir de signaux physiologiques tels que l'électroencéphalogramme (EEG). De plus, grâce à l'introduction d'une nouvelle architecture de DNN, STGCN, pour la classification de gestes associés à des pathologies telles que l'arthrose du genou et la maladie de Parkinson à partir d'analyses vidéo de la marche, ces travaux offrent de nouvelles perspectives pour l'amélioration du diagnostic et de la prise en charge médicale grâce aux progrès dans le domaine de l'IA.

This thesis focuses on optimizing the hyperparameters of convolutional neural networks (CNNs) in the medical domain, proposing an innovative approach to improve the performance of decision-making models in the biomedical field. Through the use of a hybrid approach, GS-TPE, to effectively adjust the hyperparameters of complex neural network models, this research has demonstrated significant improvements in the classification of temporal biomedical signals, such as vigilance states, from physiological signals such as electroencephalogram (EEG). Furthermore, by introducing a new DNN architecture, STGCN, for the classification of gestures associated with pathologies such as knee osteoarthritis and Parkinson's disease from video gait analysis, these works offer new perspectives for enhancing medical diagnosis and management through advancements in artificial intelligence.